論文の概要: QnAMaker: Data to Bot in 2 Minutes

• arxiv url: http://arxiv.org/abs/2003.08553v1
• Date: Thu, 19 Mar 2020 03:32:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 04:43:12.379940
• Title: QnAMaker: Data to Bot in 2 Minutes
• Title（参考訳）: QnAMaker:2分でボットにデータを送る
• Authors: Parag Agrawal, Tulasi Menon, Aya Kamel, Michel Naim, Chaikesh Chouragade, Gurvinder Singh, Rohan Kulkarni, Anshuman Suri, Sahithi Katakam, Vineet Pratik, Prakul Bansal, Simerpreet Kaur, Neha Rajput, Anand Duggal, Achraf Chalabi, Prashant Choudhari, Reddy Satti, Niranjan Nayak
• Abstract要約: QnAMakerは、FAQページや製品マニュアル、サポートドキュメントなどの半構造化データの上に会話層を作成するサービスである。 QnAMakerは、サービスとして抽出と質問回答の一般的な選択肢であり、15,000以上のボットがプロダクションで使用している。
• 参考スコア（独自算出の注目度）: 1.583627147810216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Having a bot for seamless conversations is a much-desired feature that products and services today seek for their websites and mobile apps. These bots help reduce traffic received by human support significantly by handling frequent and directly answerable known questions. Many such services have huge reference documents such as FAQ pages, which makes it hard for users to browse through this data. A conversation layer over such raw data can lower traffic to human support by a great margin. We demonstrate QnAMaker, a service that creates a conversational layer over semi-structured data such as FAQ pages, product manuals, and support documents. QnAMaker is the popular choice for Extraction and Question-Answering as a service and is used by over 15,000 bots in production. It is also used by search interfaces and not just bots.
• Abstract（参考訳）: シームレスな会話のためのボットを持つことは、今日の製品やサービスがwebサイトやモバイルアプリに求める非常に好意的な機能だ。 これらのボットは、頻繁で直接答えられる既知の質問に対処することで、人間のサポートによって受けるトラフィックを大幅に削減する。 このようなサービスの多くは、FAQページのような巨大な参照ドキュメントを持っています。 このような生データ上の会話層は、人的サポートへのトラフィックを大きなマージンで減少させることができる。 QnAMakerは、FAQページや製品マニュアル、サポートドキュメントなどの半構造化データの上に会話層を作成するサービスである。 QnAMakerは、サービスとして抽出と質問回答の一般的な選択肢であり、15,000以上のボットがプロダクションで使用している。 ボットだけでなく、検索インターフェースでも使われている。

関連論文リスト

• Are LLM-based methods good enough for detecting unfair terms of service? [67.49487557224415]
  大規模言語モデル(LLM)は、長いテキストベースの文書を解析するのに適している。 プライバシーポリシーの集合に対して個別に適用された12の質問からなるデータセットを構築します。 いくつかのオープンソースモデルは、いくつかの商用モデルと比較して高い精度を提供できる。
  論文  参考訳（メタデータ） (2024-08-24T09:26:59Z)
• "Ask Me Anything": How Comcast Uses LLMs to Assist Agents in Real Time [9.497432249460385]
  エージェント対応のカスタマーサービスインターフェースにアドオン機能として"Ask Me Anything"(AMA)を導入します。 AMAは、顧客との会話を扱うため、エージェントが要求に応じて大きな言語モデル(LLM)に質問することを可能にする。 AMAと従来の検索体験のエージェントは、検索を含む会話に約10%の時間を費やしていることがわかった。
  論文  参考訳（メタデータ） (2024-05-01T18:31:36Z)
• A Comparative and Experimental Study on Automatic Question Answering Systems and its Robustness against Word Jumbling [0.49157446832511503]
  なぜなら、頻繁に質問される質問(FAQ)リストは、限られた数の質問しか持たないからである。 質問応答生成が可能なモデルは、データの範囲内にある全く新しい質問に答えることができる。 商用アプリケーションでは、顧客満足度と使いやすさを高めるために使用することができる。 しかし、多くのデータは人間によって生成されるため、ヒューマンエラーの影響を受けやすく、モデルの性能に悪影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-11-27T03:17:09Z)
• Bot or Human? Detecting ChatGPT Imposters with A Single Question [29.231261118782925]
  大規模言語モデル(LLM)は、最近、自然言語の理解と生成において印象的な能力を示した。 不正行為やサービス拒否攻撃など、悪意のある目的のために悪用される可能性があるという懸念がある。 単一問合せと応答による大規模言語モデル認証をオンラインで検出するFLAIRというフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-10T19:09:24Z)
• Making the case for audience design in conversational AI: Rapport expectations and language ideologies in a task-oriented chatbot [0.0]
  本稿では,ユーザの言語イデオロギーとそのラポート期待に対する洞察を,ボットの言語とインタラクションパターンのオーディエンス設計に役立てることができることを論じる。 対話型AIのオーディエンス設計を定義し、ユーザによるインタラクションの分析と、社会言語学的に理解された理論的アプローチが、オーディエンス設計をサポートするためにどのように使用できるかについて議論する。
  論文  参考訳（メタデータ） (2022-06-21T19:21:30Z)
• A Deep Learning Approach to Integrate Human-Level Understanding in a Chatbot [0.4632366780742501]
  人間とは異なり、チャットボットは一度に複数の顧客にサービスを提供し、24/7で提供され、1秒以内で返信できる。 深層学習を用いて感情分析,感情検出,意図分類,名義認識を行い,人文的理解と知性を備えたチャットボットを開発した。
  論文  参考訳（メタデータ） (2021-12-31T22:26:41Z)
• QAConv: Question Answering on Informative Conversations [85.2923607672282]
  ビジネスメールやパネルディスカッション,作業チャネルなど,情報的な会話に重点を置いています。 合計で、スパンベース、フリーフォーム、および回答不能な質問を含む34,204のQAペアを収集します。
  論文  参考訳（メタデータ） (2021-05-14T15:53:05Z)
• A Dataset of Information-Seeking Questions and Answers Anchored in Research Papers [66.11048565324468]
  1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。 各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。 他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
  論文  参考訳（メタデータ） (2021-05-07T00:12:34Z)
• GooAQ: Open Question Answering with Diverse Answer Types [63.06454855313667]
  さまざまな回答型を持つ大規模データセットであるGooAQを紹介する。 このデータセットには500万の質問と300万の回答が含まれている。
  論文  参考訳（メタデータ） (2021-04-18T05:40:39Z)
• Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
  音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。 我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
  論文  参考訳（メタデータ） (2020-10-18T05:53:39Z)
• Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
  本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。 提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。 実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
  論文  参考訳（メタデータ） (2020-06-13T07:02:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。